Tendências de IA em 2026 e o que elas mudam na implantação

00:00 Angélica: Olá, seja bem-vindo ao IA em Operação, o podcast do Data Omnis. Eu sou a Angélica, e aqui a gente conversa sobre uma coisa só: como tirar a inteligência artificial da apresentação e colocar ela para trabalhar de verdade dentro das empresas.

00:17 Angélica: E para o primeiro episódio eu trouxe duas pessoas que vivem isso todo santo dia. O Caio Pasqualucci, CEO do Data Group. Oi, Caio!

00:26 Caio: Oi, Angélica! Que bom estar aqui. Primeiro episódio, hein? Responsabilidade.

00:31 Angélica: Total. E o Elton Mascot, Head de Operação de AI. Fala, Elton!

00:37 Elton: Fala, pessoal. Tudo certo? Eu tô animado com o tema, viu.

00:41 Angélica: Então vamos a ele. A ideia hoje é passar pelas tendências de AI de 2026, olhando os números das pesquisas. Mas sem ficar só no slide, sabe? Para cada tendência, a pergunta é: tá, e na prática, o que muda para quem precisa colocar isso de pé?

00:57 Elton: Porque tendência todo mundo fala. O difícil é a segunda-feira de manhã.

01:02 Angélica: Caio, por onde a gente começa?

01:05 Caio: Olha, eu acho que tem que começar por um paradoxo. Porque o uso de AI nunca esteve tão alto. O relatório anual de Stanford sobre inteligência artificial mostra que 88% das organizações já usam AI em alguma função.

01:19 Caio: Um ano antes eram 71%. Então ninguém mais está discutindo se vai usar.

01:24 Angélica: Agora a pergunta é como.

01:26 Caio: Isso. Só que aí você vai olhar o resultado, e a história muda. A McKinsey ouviu mais de 1.700 executivos, em 97 países. E só 37% conseguem apontar algum impacto positivo no resultado da empresa.

01:40 Elton: E o pior: esse número quase não se mexeu de um ano para o outro.

01:45 Elton: A adoção sobe, cada pessoa trabalha melhor, oito em cada dez dizem que a AI ajudou no trabalho delas. Mas o resultado da empresa fica ali, parado.

01:56 Caio: É aquela sensação, né? A AI ajuda as pessoas, mas ainda não mudou a operação.

02:02 Elton: E tem um dado do MIT que ficou famoso. Eles olharam centenas de iniciativas e concluíram que só um em cada vinte sistemas de AI generativa nas empresas chegou à produção com impacto que dá para medir.

02:16 Elton: O resto parou no caminho. Na avaliação, no piloto, ou virou aquela ferramenta que ninguém abre.

02:24 Angélica: E isso é muito familiar, né? A empresa faz um piloto, a demonstração é linda, a diretoria aplaude...

02:31 Caio: E seis meses depois o projeto está "em validação".

02:35 Caio: Por que isso acontece tanto, Angélica?

02:37 Angélica: Olha, quase sempre começa na escolha do caso. O caso foi escolhido pelo efeito, e não pelo valor. O primeiro projeto costuma ser o que impressiona na demonstração. Um assistente que responde qualquer coisa, um resumo de reunião, um chatbot.

02:53 Elton: Fica bonito na apresentação.

02:55 Angélica: E é muito difícil de medir.

02:57 Caio: Porque ninguém sabia quanto aquilo custava antes.

03:00 Angélica: Exato! Se você não sabe quanto o processo custava antes, não consegue provar quanto ele custa depois. E aí, na reunião de orçamento, "os usuários gostaram" não sobrevive.

03:12 Elton: E tem a parte técnica, que é a que eu mais vejo derrubar projeto.

03:16 Elton: A AI não conhece a empresa. O modelo sabe muita coisa sobre o mundo e quase nada sobre o seu negócio. Ele não sabe que o seu faturamento exclui devolução. Não sabe que o seu mês fecha no dia 25. Não sabe o que é cliente ativo para vocês.

03:33 Caio: Esse é o exemplo que a gente sempre mostra. Pergunta simples: qual foi o faturamento do trimestre? A AI sozinha soma tudo que está na tabela e responde 91.200.

03:44 Angélica: E o certo era...

03:45 Caio: Oitenta e dois mil e trezentos. Quase 9 mil de diferença num trimestre.

03:50 Elton: E o problema nem é a diferença. O problema é que o primeiro número não parecia errado. Quem perguntou não tinha como saber.

03:58 Angélica: É assim que a confiança morre, né? Não é num erro grande, escandaloso. É em vários errinhos que alguém descobre depois. Aí ninguém confia em mais nada.

04:08 Elton: E o MIT chamou isso de lacuna de aprendizado. A maioria dos sistemas não guarda contexto, não aprende com o uso, não melhora com o tempo. Não falta modelo bom. Falta contexto.

04:22 Caio: E tem um terceiro ponto, que pega muito empresa grande. A governança chegando tarde.

04:27 Angélica: Ah, esse é clássico. No piloto, a AI lê uma planilha exportada. Tudo lindo. Aí chega a hora de ligar nos dados reais e aparecem as perguntas que ninguém fez. Quem pode ver a folha de pagamento? E os dados pessoais dos clientes? Se a AI for mandar um e-mail, quem aprova?

04:45 Elton: E aí a segurança trava o projeto. E com razão, né? A Gartner prevê que mais de 40% dos projetos de AI com agentes vão ser cancelados até o fim de 2027. E os motivos são três: custo crescendo, valor pouco claro e controle de risco fraco.

05:05 Caio: Que são exatamente os três que a gente acabou de falar.

05:08 Caio: E eu sempre coloco mais dois na lista. Ninguém definiu o que é sucesso antes de começar. E o jeito de trabalhar continuou igual.

05:15 Angélica: Esse último é o que mais separa quem ganha de quem não ganha. A McKinsey separou as empresas que mais capturam valor com AI. É um grupo pequeno, uns 6%. E três em cada quatro delas redesenharam o fluxo de trabalho por causa da AI.

05:32 Caio: E nas outras?

05:33 Angélica: Uma em cada quatro. É a maior diferença da pesquisa inteira. Não é o modelo, não é o fornecedor, não é o orçamento.

05:41 Caio: É se a empresa mudou o jeito de trabalhar. Eu costumo comparar com trocar o motor do carro e deixar a marcha travada na primeira.

05:49 Caio: Você colocou uma coisa muito mais potente ali, mas o resto continua igual.

05:54 Caio: Bom, vamos para as tendências? A primeira não dá para fugir: agentes. Elton, explica para quem está ouvindo. Qual a diferença entre um assistente de AI e um agente?

06:03 Elton: Simples. O assistente responde. Você pergunta, ele devolve um texto. O agente executa. Ele recebe uma tarefa e faz vários passos: consulta um sistema, cruza com outro, prepara um documento, sugere uma ação.

06:19 Angélica: E isso está saindo do laboratório. Na pesquisa da McKinsey, 40% das grandes empresas já dizem que estão escalando agentes. Um ano antes eram 27%.

06:30 Elton: E a Gartner diz que até 2028 pelo menos 15% das decisões do dia a dia vão ser tomadas por agentes, sozinhos. Em 2024 isso era zero.

06:42 Caio: Tá, e o que isso muda na implantação?

06:45 Elton: Muda tudo. Quando a AI só responde, um erro vira uma resposta errada. Alguém lê e, com sorte, percebe. Quando a AI executa, o erro vira uma ação errada. Um e-mail enviado, um pedido alterado, um preço mudado.

07:02 Angélica: Aí o estrago é outro.

07:04 Angélica: Então quanto mais o agente faz sozinho, mais importa saber o que ele pode ver, o que ele pode fazer e quem aprova.

07:12 Caio: E a regra que a gente usa é simples. O agente prepara a ação completa, o que vai fazer e por quê, e uma pessoa aprova antes. Com o tempo, o que é de baixo risco e sempre foi aprovado sem mudança pode virar automático.

07:24 Angélica: Mas por decisão de alguém.

07:26 Caio: Exato. Fica registrado quem decidiu e quando.

07:30 Elton: E com recibo. Quem pediu, o que foi feito, quem aprovou. Inclusive o que foi negado.

07:37 Angélica: E isso leva para a segunda tendência, que é quase um alerta. A própria Gartner criou um nome para isso: agent washing.

07:45 Caio: Que seria o quê?

07:46 Angélica: É pegar um produto antigo, um chatbot, uma automação, e rebatizar de agente. Porque agente virou a palavra da moda. E na estimativa deles, de milhares de fornecedores que dizem vender agentes, só uma parte pequena entrega isso de fato.

08:02 Elton: Eu vejo muito isso. A pessoa compra um "agente" e descobre que é um fluxo fixo com um modelo de linguagem no meio.

08:10 Caio: E como a empresa se protege na hora de comprar?

08:13 Angélica: Com três perguntas. O que esse agente faz sozinho? O que ele pede para alguém aprovar? E onde fica o registro do que ele fez?

08:21 Elton: Se o fornecedor gaguejar em alguma...

08:24 Angélica: Exato. Ou não é agente, ou é um agente que você não vai conseguir aprovar dentro da sua empresa.

08:30 Caio: Gostei. Três perguntas que qualquer diretor faz numa reunião de compra.

08:35 Caio: A terceira eu acho a mais interessante para quem é de tecnologia. Construir ficou muito mais barato.

08:42 Elton: Muito. Com os agentes de programação, fazer uma solução sob medida ficou muito mais rápido. E a McKinsey perguntou isso direto: 32% disseram que desistiram de comprar algum software porque conseguiram construir dentro de casa.

08:57 Elton: Isso muda a conta de comprar ou construir, que durante anos foi quase sempre comprar.

09:03 Caio: Mas tem um risco aí, né?

09:05 Elton: Tem. Construir ficou mais rápido. Construir a coisa errada também.

09:10 Elton: Então isso não elimina o método. Deixa o método ainda mais importante. Saber qual problema resolver, em que ordem, com qual métrica. Isso continua sendo o trabalho difícil.

09:23 Angélica: O gargalo mudou de lugar, né? Antes era a engenharia. Agora é a decisão. O que vale a pena construir.

09:31 Caio: A quarta é uma que pouca gente fala, mas que eu acho que vai pesar muito em 2027. O custo de uso.

09:38 Elton: Ah, essa ninguém vê no piloto.

09:41 Elton: No piloto, 10 pessoas fazem 100 perguntas por dia. Na operação, 1.000 pessoas fazem 10 mil. E se cada pergunta chama o modelo mais caro, com todo o contexto do mundo, a conta explode.

09:55 Angélica: E já está aparecendo nas pesquisas. Mais ou menos um em cada cinco executivos diz que o custo de operação, incluindo o consumo dos modelos, já está limitando o uso de AI.

10:06 Caio: E como resolve?

10:08 Elton: Duas coisas. Primeiro, o modelo certo para cada tarefa. Nem toda pergunta precisa do modelo mais caro. Uma classificação simples vai para um modelo menor e mais barato.

10:19 Elton: Segundo, dar para a AI só o contexto que ela precisa. Não adianta jogar o banco de dados inteiro na pergunta.

10:28 Caio: Isso é uma coisa que eu gosto de repetir. Contexto não é só qualidade. Contexto também é custo.

10:34 Angélica: A quinta tendência é sobre onde a AI mora. Durante muito tempo, AI era uma tela separada. Um site, um aplicativo, uma aba a mais no navegador.

10:45 Caio: E ninguém abre a aba a mais.

10:47 Angélica: Exatamente! A AI mais usada é a que está no canal que a pessoa já usa o dia inteiro. No Brasil isso é muito claro: WhatsApp. E dentro das empresas, o Teams.

10:58 Caio: É por isso que a gente colocou o Omnis no WhatsApp e no Teams. A pessoa pergunta pelo celular, de onde estiver, e recebe a resposta com a fonte, com o período que o dado cobre, e com o mesmo recibo da versão web.

11:10 Elton: E isso só funciona com segurança porque a governança está no sistema, não no canal. Não importa por onde a pergunta chega. Quem pode ver o quê continua igual.

11:20 Angélica: E tem uma coisa técnica ajudando muito nisso, que é o MCP. Elton, explica rapidinho?

11:27 Elton: Explico. É o Model Context Protocol, um protocolo aberto que padroniza como os agentes se conectam aos sistemas. Antes, cada integração era um projeto. Agora tem um jeito padrão de ligar um agente a um banco de dados, a um ERP, a uma ferramenta de documentos.

11:45 Caio: Que acelera muito a implantação.

11:47 Elton: Bastante. Mas, de novo: ligar é a parte fácil. Ligar com limite, com permissão e com registro é a parte que importa.

11:57 Angélica: Antes da parte prática, tem uma sexta tendência que eu acho que muita diretoria ainda não percebeu. A AI que a empresa não vê.

12:06 Caio: Isso, a AI paralela.

12:08 Angélica: O MIT mostrou uma coisa curiosa. Só 40% das empresas dizem ter comprado uma assinatura oficial de algum modelo de linguagem. Mas em mais de 90% delas os funcionários usam ferramentas pessoais de AI no trabalho.

12:23 Elton: Ou seja, a AI já está dentro da empresa. Só que pela porta dos fundos.

12:29 Caio: E com os dados da empresa indo junto.

12:32 Elton: Esse é o ponto. A pessoa pega uma planilha com dados de cliente, cola numa ferramenta pessoal e pede um resumo. Ela não está fazendo nada de mal, tá? Ela está tentando trabalhar melhor.

12:43 Elton: Mas a empresa não sabe que aquilo aconteceu, não sabe para onde o dado foi, e não tem registro nenhum.

12:50 Angélica: E proibir não resolve. Quando você proíbe, o uso só fica mais escondido.

12:56 Caio: Então qual é a saída?

12:57 Angélica: Dar uma alternativa oficial que seja tão boa quanto, ou melhor. Se a ferramenta da empresa responde com os dados certos, com o vocabulário certo, e está no WhatsApp que a pessoa já usa, ela não precisa ir buscar fora.

13:11 Elton: E a empresa ganha duas vezes. A pessoa trabalha melhor, e o uso passa a ter limite e registro.

13:18 Caio: Eu gosto muito desse jeito de pensar. Governança boa não é a que diz não. É a que torna o sim seguro.

13:25 Caio: Agora deixa eu trazer uma pergunta que sempre aparece quando a gente fala de agente e de automação. E as pessoas? A AI vai substituir as equipes?

13:34 Angélica: A McKinsey tem um dado ótimo sobre isso. 39% dos executivos esperam reduzir o quadro de pessoal por causa da AI no próximo ano. Mas quando você pergunta o que aconteceu de fato no último ano...

13:48 Angélica: Só 14% relatam redução.

13:51 Elton: E um ano antes, 32% esperavam reduzir. A expectativa é sempre maior do que o que acontece.

13:58 Angélica: O que a gente vê na prática é outra coisa. A AI tira das pessoas o trabalho repetitivo, o de juntar dado, montar relatório, conferir planilha, e devolve tempo para o trabalho que precisa de julgamento.

14:12 Caio: Eu sempre falo de horas devolvidas. A pessoa que levava três dias montando o relatório do mês passa a levar meio dia revisando. E os outros dois dias e meio ela usa para analisar, para conversar com o cliente, para decidir.

14:25 Elton: E o próprio MIT mostrou: para trabalho complexo e longo, as pessoas continuam sendo a preferência. Quanto mais julgamento a tarefa exige, mais a pessoa é necessária.

14:36 Angélica: Por isso a aprovação humana não é um detalhe de segurança. Ela é o desenho do trabalho. A AI prepara, a pessoa decide.

14:45 Caio: E a empresa que entende isso tem uma conversa muito melhor com o time. Não é "a AI vai fazer o seu trabalho". É "a AI vai fazer a parte chata do seu trabalho".

14:55 Caio: Antes da prática, quero voltar num ponto, porque eu ouço muito essa objeção. A pessoa fala: "a gente ainda não está pronto para AI. Primeiro precisamos organizar todos os nossos dados".

15:06 Elton: Ah, essa é a objeção que mais atrasa projeto.

15:10 Caio: Por quê?

15:11 Elton: Porque organizar todos os dados da empresa é um projeto que não termina. Sempre tem mais um sistema, mais uma planilha, mais uma definição para alinhar. Se você espera isso acabar para começar, você não começa nunca.

15:25 Angélica: E nem precisa. O contexto se constrói caso a caso. O primeiro caso exige as definições daquele processo. Faturamento, devolução, fechamento. O segundo reaproveita parte disso e acrescenta outras. Em poucos ciclos a empresa tem um vocabulário documentado que ela nunca teve.

15:44 Elton: E que serve para as pessoas também, não só para a AI. Quantas reuniões terminam em briga porque duas áreas trazem números diferentes para a mesma coisa?

15:54 Elton: Quando a definição está escrita e aprovada, essa discussão acaba.

15:58 Caio: Eu acho isso um efeito colateral muito bonito. Você começa querendo ensinar a AI e acaba alinhando a empresa.

16:05 Angélica: E aí a resposta tem que mostrar a conta. Qual fonte, qual período, qual regra foi aplicada. Quando a AI mostra o trabalho, quem pergunta consegue conferir. E quando ela erra, fica fácil achar onde.

16:18 Caio: Ela deixa de ser uma caixa preta e vira um analista que mostra o raciocínio.

16:23 Caio: Bom, vamos para a prática. Se tem alguém ouvindo que é diretor de uma empresa média, já testou AI e sentiu que ficou no meio do caminho. Por onde essa pessoa começa?

16:32 Angélica: Pelo caso. Escolher bem o primeiro caso resolve metade do problema. E um bom primeiro caso tem cinco características.

16:40 Angélica: Um, acontece com frequência, todo dia ou toda semana. Dois, dá para dizer quanto custa hoje. Três, os dados já existem em algum sistema. Quatro, o erro da AI é percebido antes de causar dano. E cinco, tem um dono. Uma pessoa que sofre com o problema hoje e vai defender a solução amanhã.

17:03 Caio: E onde isso costuma aparecer?

17:05 Angélica: Fechamento e controladoria aparecem muito. Conciliação entre sistemas, explicação de variação, relatório para o conselho. Relatório de performance que alguém monta todo mês do mesmo jeito. E aquelas perguntas recorrentes que hoje viram um pedido para a área de dados e esperam dias.

17:24 Elton: E eu acrescentaria: escolha três casos, não um. O primeiro prova valor. O segundo prova que o método se repete em outra área. O terceiro mostra o que vem depois.

17:35 Elton: Isso vira um roteiro. E é esse roteiro que convence o conselho a continuar.

17:41 Caio: E a métrica antes do código.

17:43 Angélica: Sempre antes! Uma frase de sucesso por caso, combinada com o dono. Por exemplo: o relatório de performance sai no segundo dia útil, com no máximo uma correção. Coube numa linha e todo mundo concordou? Pronto, pode começar.

17:57 Elton: E mede a linha de base antes de ligar a AI. Parece óbvio, né? Mas é o passo que mais se pula. Sem linha de base, todo ganho vira opinião.

18:07 Caio: E quem faz isso acontecer? Porque não é só tecnologia.

18:10 Elton: O que mais funciona é um time pequeno dentro da operação. Duas funções. Um estrategista, que é o dono da métrica e decide o que muda no fluxo. E um engenheiro, que liga a AI aos dados, escreve as regras de contexto e configura a governança.

18:27 Angélica: E as pessoas que fazem o processo hoje têm que estar dentro desde o começo. São elas que sabem quais exceções acontecem, onde o dado costuma estar errado. Projeto que não ouve essas pessoas constrói a solução para um processo que só existe no papel.

18:41 Caio: E o caso só está entregue quando a empresa consegue operar sem a gente. Regras documentadas, um responsável interno e a métrica num painel. Aí o time segue para o próximo caso.

18:51 Angélica: Caio, você falou de governança lá no começo, e eu acho que vale aprofundar. Elton, como isso funciona no dia a dia?

18:59 Elton: Tem três perguntas que precisam de resposta antes do primeiro uso. A primeira: quem pode ver o quê. A AI não pode ser uma porta dos fundos. Se alguém do comercial não acessa a folha de pagamento pelo sistema de RH, não pode acessar perguntando para a AI.

19:17 Angélica: E isso vale na hora da pergunta, de acordo com quem está perguntando. Não é uma configuração que você faz uma vez e esquece.

19:25 Elton: Isso. E dado pessoal aparece mascarado para quem não precisa dele. Nome, documento, telefone, salário.

19:33 Caio: E a segunda?

19:34 Elton: Quem aprova o que a AI faz. Ler é uma coisa, agir é outra. E a terceira é o que fica registrado. Cada acesso gera um recibo. Quem perguntou, o que foi lido, qual regra valeu, qual foi a resposta. Inclusive quando o acesso foi negado.

19:52 Angélica: Eu sempre digo: a pergunta que derruba um projeto de AI na auditoria não é se ele funciona. É quem viu o quê, quando e por quê.

20:02 Caio: E quando o auditor pergunta, a resposta não pode ser uma apresentação.

20:06 Angélica: Não pode! Tem que ser o registro. E a dica prática: leva a segurança e o compliance para a primeira reunião do projeto, não para a última.

20:16 Caio: E a medição? Quais ganhos dá para medir de verdade?

20:20 Angélica: Eu separo em três. Primeiro, horas devolvidas. Quanto tempo o processo levava antes, quanto leva depois, vezes a frequência. Segundo, erros evitados. Divergência, retrabalho, correção. E terceiro, decisões mais rápidas. O tempo entre alguém fazer uma pergunta e ter uma resposta confiável.

20:41 Elton: Esse terceiro é o que mais surpreende. A pergunta que esperava dias numa fila da área de dados passa a ser respondida na hora, com a fonte. Isso muda o ritmo da empresa.

20:52 Caio: E a McKinsey mostra que as empresas que mais capturam valor têm o dobro de chance de ter um processo definido para medir o impacto.

21:00 Angélica: Não é coincidência, né? Quem mede mostra resultado. Quem mostra resultado ganha orçamento para o próximo caso.

21:07 Elton: E a métrica não é para o relatório final. É para a reunião semanal. Se o número não está melhorando, o time descobre cedo e ajusta.

21:16 Caio: E o patrocinador tem o que mostrar toda semana. O projeto ganha apoio enquanto acontece, não só no fim.

21:23 Angélica: Bom, para fechar, eu queria que cada um deixasse uma ideia para quem está ouvindo. Eu começo. Não comece pelo que impressiona, comece pelo que se mede. O caso que brilha na demonstração quase nunca é o que sobrevive à reunião de orçamento. Elton?

21:39 Elton: A minha é: o modelo é igual para todo mundo. O que faz a AI acertar o número da sua empresa é o contexto que você dá para ela. E o que faz ela ser aprovada é a governança que age em cada acesso, não a política escrita num documento.

21:56 Angélica: Caio?

21:56 Caio: A minha é uma frase que está no nosso livro. A vantagem não vai ficar com quem usa mais AI. Vai ficar com quem fez a AI entrar na operação primeiro, com contexto e com controle. O relatório anual de Stanford sobre inteligência artificial tem um dado que resume isso: cerca de três quartos dos ganhos econômicos da AI ficam com um quinto das empresas.

22:17 Caio: E a diferença entre os dois grupos não é acesso à tecnologia, que hoje está disponível para todo mundo. É método.

22:23 Angélica: Bem dito.

22:25 Caio: E falando no livro, se você quer se aprofundar em tudo isso, o guia IA do Piloto à Operação está disponível de graça no nosso site, dataomnis.com/livro. Tem as cinco causas, como escolher o primeiro caso, contexto, governança, métrica, e um checklist de 20 perguntas para responder antes de levar qualquer caso à produção.

22:45 Elton: Vale muito o checklist.

22:47 Angélica: E se você quer conversar sobre a AI da sua empresa, é só entrar no site e falar com um especialista. Caio, Elton, obrigada pela conversa!

22:56 Caio: Obrigado, Angélica. Foi ótimo.

22:58 Elton: Valeu, até o próximo!

23:00 Angélica: E obrigada a você que ouviu até aqui. Esse foi o IA em Operação, o podcast do Data Omnis. Até o próximo episódio.